Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Machine Learning Como Herramienta para Determinar La Variación de Los Recursos Hídricos
Machine Learning Como Herramienta para Determinar La Variación de Los Recursos Hídricos
Edwin Montes-Raymundo
Universidad Nacional de Huancavelica, Huancavelica, Perú
E-mail: edwin.montes@epgunh.edu.pe ORCID: https://orcid.org/0000-0003-3824-4396
Manuel Castrejón-Valdez
Universidad Nacional de Huancavelica, Huancavelica, Perú
E-mail: castrejon_17@hotmail.com ORCID: https://orcid.org/0000-0002-4535-3278
Resumen
Actualmente la inteligencia artificial es una disciplina científica que se ha venido aplicando
desde inicios del presente siglo, especialmente en la gestión de recursos hídricos para
mitigar el acentuado cambio climático mediante la interpretación de imágenes satelitales,
monitorear y predecir la variación de cubierta vegetal, aparición o desaparición de acuíferos
y lagos, variación de los volúmenes de escorrentía generadas en ríos, entre otros. De esta
forma, la presente investigación busca mostrar la eficiencia del Machine Learning en el
manejo de recursos hídricos. Se realizo mediante la revisión sistemática de base de datos
científicas como SciELO, ScienceDirect, Redalyc, Scopus, Web of Science sobre contenidos
de Inteligencia artificial aplicados a recursos hídricos. Como resultado se obtuvo que el
Machine Learning optimiza los sistemas de alerta temprana, mapeo y teledetección.
Concluyendo, que es un método de análisis de datos muy eficiente para la interpretación y
modelado de información hidrometeorológica, especialmente al aplicarlo en cuencas
hidrográficas.
Palabras Clave
Machine learning, hídricos, inteligencia artificial.
Abstract
Currently, artificial intelligence is a scientific discipline that has been applied since the
beginning of this century, especially in the management of water resources to mitigate the
accentuated climate change through the interpretation of satellite images, monitor and
predict the variation of vegetation cover, appearance or disappearance of aquifers and
lakes, variation in runoff volumes generated in rivers, among others. In this way, this
research seeks to show the efficiency of Machine Learning in the management of water
resources. It was carried out through the systematic review of scientific databases such as
SciELO, ScienceDirect, Redalyc, Scopus, Web of Science on artificial intelligence content
applied to water resources. As a result, it was obtained that Machine Learning optimizes
early warning, mapping and remote sensing systems. Concluding, that it is a very efficient
data analysis method for the interpretation and modeling of hydrometeorological
information, especially when applied in hydrographic basins.
Keywords
Machine learning, water, artificial intelligence.
Resumo
Atualmente, a inteligência artificial é uma disciplina científica que vem sendo aplicada
desde o início deste século, principalmente na gestão dos recursos hídricos para mitigar as
mudanças climáticas acentuadas através da interpretação de imagens de satélite,
monitorar e prever a variação da cobertura vegetal, aparência ou desaparecimento de
aqüíferos e lagos, variação dos volumes de escoamento gerado nos rios, entre outros. Desta
forma, esta pesquisa busca mostrar a eficiência do Aprendizado de Máquina na gestão de
recursos hídricos. Foi realizada por meio da revisão sistemática de bases de dados científicas
como SciELO, ScienceDirect, Redalyc, Scopus, Web of Science sobre conteúdo de
inteligência artificial aplicada a recursos hídricos. Como resultado, obteve-se que o
Aprendizado de Máquina otimiza os sistemas de alerta precoce, mapeamento e
sensoriamento remoto. Concluindo, é um método de análise de dados muito eficiente para
interpretação e modelagem de informações hidrometeorológicas, principalmente quando
aplicado em bacias hidrográficas.
Palavras-chave
Machine learning, recursos hídricos, inteligencia artificial.
1. Introducción
La técnica de Machine Learning (ML) o el aprendizaje de maquina ha llegado a
trascender en la interpretación, modelado y manejo de información, pasando por fases
como la definición del objeto, recolección de información, preprocesamiento de data,
elección del algoritmo, entrenamiento del modelo y finalmente la predicción y estimación
de parámetros, con esto lo que se logra es crear un modelo capaz de realizar el manejo,
interpretación y predicción con la información recolectada emulando lo que un profesional
y técnico altamente capacitado en este caso en lo que es la hidrología pueda concluir y
aseverar, por lo cual se busca mostrar la eficiencia del ML en el manejo de los recursos
hídricos, según lo detalla Marín y Pineda(2019), su modelo pronostica en base a registros y
lecturas hidro-meteorológicas, empleando una red neuronal relacionada siguiendo las fases
del ML, para modelar la data en una determinada serie de tiempo, siendo esta una
innovación en el campo de la hidrología, trabajada de forma muy efectiva estimando la
escorrentía de forma ideal, concluyendo que este modelo es de gran importancia al
anticipar y apoyar la toma de decisiones para un sistema de alerta temprana. Según lo
menciona Starzyk (2010), el ML da lugar a un sistema de aprendizaje automático que puede
apoyar en la supervisión y optimización del rendimiento del sistema, al tiempo que elige
una acción para abordar los problemas más urgentes de entre los muchos que pueden
abordar eficientemente.
El Machine Learning se está involucrando en la gestión de recursos hídricos que
permite mitigar el cambio climático mediante la interpretación de imágenes satelitales,
monitorización y predicción la variación de cubierta vegetal, aparición o desaparición de
acuíferos y lagos, variación de los volúmenes de escorrentía generadas en ríos, entre otros.
De esta forma, la presente investigación busca mostrar la eficiencia del Machine Learning
en el manejo de recursos hídricos.
2.1.3 Machine Learning: El significado directo a este término y traducido del inglés al
español tiene las siguientes connotaciones: aprendizaje automático, aprendizaje
automatizado o aprendizaje de máquinas, según menciona Godoy (2019) el Machine
Learning (ML) como termino no fue propuesto por un solo autor, sino es un término
propuesto años después de la investigación con la IA.
El Machine Learning técnica ha visto su aplicación en numerosos campos de las
ciencias, dotando de importantes soluciones a problemas desde los más básicos a los más
complejos, según menciona Godoy (2014) la IA dio lugar a diferentes formas de ML los
cuales divergen de acuerdo con su propósito, el ML como tal fue empleado inicialmente
para la minería de texto con el objetivo de obtener información de colecciones
documentales.
De la literatura encontrada resulta interesante lo referido por García (2014) que
menciona que normalmente los especialistas en ML proponen que, en la elaboración de los
modelos, se deben de dividir en subgrupos para el adiestramiento, validación y
funcionamiento. Con toda esta data separada para el subgrupo de adiestramiento y prueba
donde se elige el modelo con el mínimo error calculado y el grupo de data se empleará para
encontrar el modelo más eficiente.
3. Materiales y métodos
4. Resultados
Se pudo realizar la revisión detallada de las investigaciones que han precedido y han
brindado excelentes resultados en la implementación del ML; según Sagan et al. (2020) han
demostrado ser más eficientes en comparación con otros métodos empleados, de acuerdo
a lo revisado Marín y Pineda (2019) y Luque (2018) han logrado implementar modelos
eficientes para el tratamiento de información hidro-meteorológica para distintos
propósitos como la generación de caudal y un sistema de alerta temprana.
Entre otras potencialidades encontradas fue que tanto Cano et al. (2014) y
Essenfelder y Giupponi (2020) lograron realizar la validación e interacción del ML con
distintos software’s enfocados en hidrología. Otro de los logros potentes de la aplicación
del ML según menciona Maxwell et al. (2018) y Weber et al. (2019), comentan los buenos
resultados del software en mapeo y teledetección.
5. Discusión
Zamorano (2018) argumenta que la humanidad vive rodeada de la generación de gran
cantidad de datos, pero no somos capaces de procesar por nosotros mismos muchos de
ellos, y es por ello que nos vemos en la necesidad de buscar herramientas que nos permitan
almacenar, procesar y extraer la información que, tratada y evaluada según nuestras
necesidades, nos de la capacidad de obtener el beneficio necesario para un objetivo
concreto, por lo que para el tratamiento de esta información podemos enfocarnos en la
rama de la inteligencia artificial denominada “Machine Learning” o aprendizaje automático
que permite a las máquinas aprender y tomar decisiones con futuros datos proporcionados
de forma automática; en concordancia con Sagan et al. (2020) quienes aseveran que los
métodos de ML proporcionan la mejor precisión global para casi todos los casos de estudio.
6. Conclusiones
El machine Learning ha logrado con éxito plantear modelos hidrometereológicos y en
algunos casos modelos relacionados a la optimización de recursos, maquinarias y procesos
los cuales empíricamente y mecanizadamente requieren de más tiempo y mayor inversión,
y que con el trabajo en simultaneo brindado por un computador y estos modelos basados
en ML representan un ahorro sustancial en tiempo y medios económicos siendo esta la
pauta para una nueva revolución orientada a la inteligencia artificial y sus aplicaciones.
7. Referencias
Ay M. y Ozyildirim S. (2018). Artificial Intelligence (AI) Studies in Water Resources. Natural
and Engineering Sciences, 3(2),187-195.
Aylén, E. (2011). Planificación de imágenes satelitales aplicada a modelos hidrológicos de
alerta temprana. [Tesis de Magister en aplicaciones espaciales de alerta y respuesta
temprana a emergencias, Universidad Nacional de Córdoba, Argentina]
https://n9.cl/gdxk1